SciELO - Scientific Electronic Library Online

 
vol.30 número1Variación de la biomasa de musgos como efecto del uso y manejo de sitios en un bosque de Abies religiosa (Kunth) Cham. & Schltdl. en MéxicoRevisión sistemática para el conocimiento de la biodiversidad mexicana: Los agaves de Hidalgo índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay artículos similaresSimilares en SciELO

Compartir


Revista Chapingo serie ciencias forestales y del ambiente

versión On-line ISSN 2007-4018versión impresa ISSN 2007-3828

Rev. Chapingo ser. cienc. for. ambient vol.30 no.1 Chapingo ene./abr. 2024  Epub 03-Dic-2024

https://doi.org/10.5154/r.rchscfa.2022.10.074 

Revisión

Tendencias mundiales en el modelado de la distribución de especies arbóreas

Dulce María Pozo-Gómez1 
http://orcid.org/0000-0002-9249-0072

Carolina Orantes-García
http://orcid.org/0000-0001-8604-7448

María Silvia Sánchez-Cortés1 
http://orcid.org/0000-0002-3916-3048

Tamara Rioja-Paradela
http://orcid.org/0000-0003-2127-0790

Arturo Carrillo-Reyes2 
http://orcid.org/0000-0001-8351-5496

1Universidad de Ciencias y Artes de Chiapas, Instituto de Ciencias Biológicas, Programa de Doctorado en Ciencias en Biodiversidad y Conservación de Ecosistemas Tropicales. Libramiento Norte Poniente núm. 1155, col. Lajas Maciel. C. P. 29039. Chiapas, México.

2 Universidad de Ciencias y Artes de Chiapas, Facultad de Ingeniería. Libramiento Norte Poniente núm. 1155, col. Lajas Maciel. C. P. 29039. Chiapas, México.


Resumen

Introducción:

En los últimos años se ha generalizado el uso de modelos de distribución de especies, una técnica que permite estudiar la distribución de organismos en un espacio determinado.

Objetivos:

Analizar las tendencias mundiales de estudio de los modelos de distribución de especies arbóreas en el periodo 1990-2022, a través de la revisión de literatura científica.

Materiales y métodos:

Se analizaron 250 estudios publicados en 233 artículos científicos, 10 capítulos de libros y siete tesis, que se consultaron en bases de datos especializadas.

Resultados y discusión:

Los variables de estudio en las investigaciones se analizaron mediante análisis correlativos en 78.4 % de los casos. En 48 países, el número de investigaciones aumentó durante la última década; China fue el país con más estudios (21.7 %). El análisis incluyó un total de 36 familias, 69 géneros y 163 especies; Pinus pinceana (2.8 %) ha sido la más estudiada. El modelo/algoritmo más utilizado para el análisis de los modelos de distribución de especies fue MaxEnt (72.8 %) y, finalmente, las variables utilizadas fueron 65, donde la de mayor uso fue la precipitación (4.8 %).

Conclusiones:

Los modelos de distribución de especies arbóreas deben considerarse una herramienta útil para la previsión de los impactos potenciales del cambio climático. El rendimiento del modelado dependerá de la técnica empleada, así como de su interpretación, la cual debe hacerse en función de la especie y su hábitat.

Palabras clave: Pinus pinceana; MaxEnt; precipitación; cambio climático; modelos correlativos

Abstract

Introduction:

In recent years, species distribution modeling, a technique that allows studying the distribution of organisms in each space, has become widespread.

Objectives:

This study aims to analyze global trends of tree species distribution modeling in the period 1990-2022, by reviewing the scientific literature.

Materials and methods:

We analyzed 250 studies published in 233 scientific articles, 10 book chapters and seven theses, which were consulted in specialized databases.

Results and discussion:

The study variables were analyzed by correlational analysis in 78.4 % of the cases. In 48 countries, the number of studies increased during the last decade; China was the country with the most studies (21.7 %). The analysis included a total of 36 families, 69 genera and 163 species; Pinus pinceana (2.8 %) has been the most studied. The most used model/algorithm for the analysis of species distribution modeling was MaxEnt (72.8 %) and, finally, the variables used were 65, where the one with the highest use was precipitation (4.8 %).

Conclusions:

Tree species distribution modeling should be considered a useful tool for forecasting the potential impacts of climate change. The performance of the modeling will depend on the technique used, as well as on its interpretation, which should be made according to the species and its habitat.

Palabras clave: Pinus pinceana; MaxEnt; precipitation; climate change; correlative models

Ideas destacadas:

  • Los modelos de distribución de especies (MDE) permiten estimar los impactos del cambio climático.

  • Pinus pinceana ha sido la especie más estudiada (2.8 %) en el periodo 1990-2022.

  • El modelo/algoritmo de mayor uso para analizar MDE fue MaxEnt (72.8 %).

  • Las variables utilizadas en MDE fueron 65; la precipitación ha sido la de mayor uso (4.8 %).

Introducción

La distribución de especies, comunidades y poblaciones depende de factores ambientales, ecológicos e incluso sociales (Leal-Nares et al., 2012). Algunas especies arbóreas se distribuyen en ambientes muy específicos; por ejemplo, Rhizophora mangle L. (mangle rojo) habita exclusivamente en ambientes acuáticos (Barrantes-Leiva & Cerdas-Salas, 2015); otros taxones habitan preferentemente en climas templados montañosos, como es el caso de los géneros Pinus (Barrantes-Leiva & Cerdas-Salas, 2015; Comisión Nacional para el Conocimiento y Uso de la Biodiversidad [CONABIO], 2022) y Quercus (CONABIO, 2022; Maciel-Mata et al., 2015). Por otro lado, algunas prevalecen en climas áridos como es el caso de la mayoría de las especies del género Prosopis (Maciel-Mata et al., 2015). Así, el área de distribución de cada especie se restringe dada su tolerancia ambiental, producto de procesos evolutivos que han moldeado a los organismos y que, en consecuencia, han determinado su presencia en ciertos espacios (Chaves-Barrantes & Gutiérrez-Soto, 2017).

En las últimas décadas ha crecido el interés en el análisis de la relación entre la distribución de las especies, su hábitat y el clima (Borthakur et al., 2018; Li et al., 2016). Gracias al desarrollo reciente de los sistemas de información geográfica (SIG) y de técnicas estadísticas aplicadas, se han desarrollado modelos que predicen la distribución de especies (Ramírez-Magil et al., 2020; Singh et al., 2020). Los modelos de distribución de especies (MDE) utilizan información sobre variables ambientales relacionadas con la presencia de una o un grupo de especies. Mediante algoritmos matemáticos, la información es sistematizada para el desarrollo de modelos correlativos a complejos que analizan las condiciones ecológicas y ambientales que influyen en la distribución de las especies. Actualmente, estos modelos están en expansión con nuevos métodos y estrategias para su tratamiento e interpretación (Becerra-López et al., 2016; Rong et al., 2019; Zhao et al., 2020, 2020a, 2021).

Las aplicaciones de MDE son relevantes en investigaciones relativas a la biología de la conservación, biogeografía, epidemiología, impacto potencial del cambio climático, proyecciones de ocurrencia geográfica de especies invasoras e identificación de regiones geográficas que requieren ser exploradas (López-Sandoval et al., 2015; Saupe et al., 2012). Por ejemplo, en el estado de Baja California, Palma-Ordaz y Delgadillo-Rodríguez (2014) estudiaron la distribución potencial de ocho especies exóticas de carácter invasor e identificaron los sitios que requieren de más exploración, con fines de conservación y manejo de las especies.

Desde el punto de vista ecológico, las especies contribuyen con la generación de bienes y servicios ambientales. Algunos de los más importantes son la regulación del clima, provisión del agua (calidad y cantidad) y generación de oxígeno, control de la erosión, así como la regeneración, conservación y recuperación del suelo (Başkent, 2021), los cuales aportan beneficios económicos, sociales y ambientales (System of Environmental Economic Accounting [SEEA], 2022).

En la actualidad no existen trabajos de revisión sistemática científica reciente que analicen las tendencias globales de los estudios de MDE arbóreas, por lo que el objetivo de este estudio fue recopilar y analizar la información científica acerca de los países que han desarrollado MDE, las especies arbóreas estudiadas, los tipos de análisis y de algoritmos/modelos utilizados, así como el tipo de variables usadas en las investigaciones durante el periodo 1990-2022. El hecho de contar con un documento que sintetice la información, producida a lo largo de 30 años, contribuye al entendimiento de la línea de investigación en diversos campos tales como biología, ecología, conservación biológica y biogeografía.

Materiales y métodos

Recopilación de información

Se hizo una revisión sistemática exhaustiva de la literatura científica global relativa al uso de MDE arbóreas, publicada en el periodo 1990-2022. Se revisaron 76 bases de datos y editoriales científicas, correspondientes a Dialnet, Crossref, Scilit, PubMed, ISI Web of Science, Springer Link, ScienceDirect, Journal Article, SciELO, INECOL, Polibotánica, Redalyc, Ecology and Evolution, Ecología Austral, Plant Ecology, New Forests, Library Online, Botanical Sciences y Semantic Scholar. Se consultaron 233 revistas científicas; además se revisaron 10 libros y siete tesis. En la búsqueda de información se utilizaron palabras clave (en inglés y español) tales como: ‘distribución potencial’, ‘distribución geográfica’, ‘patrones geográficos’, ‘modelado’, ‘modelamiento’, ‘especies arbóreas’, ‘idoneidad de hábitat’, ‘cambio climático’ y ‘nicho ecológico’.

Organización y análisis de información

Se obtuvieron seis categorías de análisis de la información encontrada: país origen del estudio, especie estudiada, objetivo del estudio (distribución de especies, de familias o de géneros), tipo de análisis (modelos correlativos [correlación simple entre el registro de distribución y las capas bioclimáticas]) y modelos complejos [uso de múltiples variables fisiológicas, climáticas y edafológicas, radiación solar de hábitat, genética de la especie, perturbación del área de estudio y variables de idoneidad de hábitat de las especies estudiadas]), tipo de modelo/algoritmo y variables climáticas. La información se registró y categorizó en una base de datos en Microsoft Excel (Gómez-Tolosa et al., 2021; Ocampo‐González et al., 2020).

Resultados y discusión

La tendencia global de estudios sobre MDE arbóreas en las últimas décadas aumentó sobre todo en el periodo 2010-2020 (70.4 %, n = 176; N = 250), seguido de los periodos 2020-2022 (15.2 %, n = 38) y 2000-2010 (13.6 %, n = 34); de manera contraria, para los años 1990 al 2000, los estudios relacionados con este tema eran muy escasos (0.8 %, n = 2).

Este tipo de estudios han aumentado en los últimos 30 años y han abarcado no solo los patrones espaciales de presencia de especies arbóreas, sino también temas de investigación de MDE endémicas e idoneidad vegetal, tal el caso de Ávila-Sánchez et al. (2018) y Quipuscoa Silvestre et al. (2019). Según los resultados, el impacto creciente de los factores ambientales (cambio climático) y daños antropogénicos (cambio de uso de suelo, contaminación, deforestación y ganadería extensiva) sobre la distribución de las especies ha motivado el aumento en investigaciones a nivel mundial, para comprender las respuestas de estas. Los estudios muestran diferencias significativas en los efectos y factores que determinan la distribución de especies dentro de familias e incluso dentro de un mismo género, influyendo sobre la estructura de la diversidad (abundancia relativa de las especies y de los ecosistemas y grado de conectividad; Villaseñor, 2018).

Origen del estudio

De 1990 a 2022, 250 estudios de MDE arbóreas se realizaron en 48 países. Los países con mayor número de estudios fueron China (21.7 %, n = 54), México (20.5 %, n = 51) y España (11. 6 %, n = 29), mientras que los países con el menor porcentaje fueron Senegal (0.40 %, n = 1), Siria (0.40 %, n = 1) y Nepal (0.40 %, n = 1; Figura 1). De acuerdo con Martínez-Meyer et al. (2014) y Marchese (2015), 11 países son considerados los más diversos en plantas vasculares, entre ellos, precisamente se encuentran China y México, los cuales, debido a su ubicación en la zona tropical y su topografía con una gran complejidad de paisajes y microclimas, favorecen ambientes propicios para varias especies arbóreas (Mokany et al., 2020). Ello puede explicar el por qué en estos dos países se realizan más estudios de MDE. Si bien, España no figura en el listado de naciones con más diversidad de especies arbóreas, en los resultados es uno de los cinco países que más estudios ha realizado en este tema. Por ello, autores como García-Valdés y Morales-Castilla (2016) sugieren que en los últimos años se ha presentado una atención especial a los estudios de MDE en dicho país, donde utilizan el inventario forestal nacional español con el fin de destacar la capacidad de distribución geográfica y el funcionamiento de las especies arbóreas en el futuro.

Figura 1 Distribución mundial de estudios sobre modelado de la distribución de especies arbóreas durante el periodo 1990-2022. 

Especie estudiada

En los 250 estudios revisados se registraron 163 especies arbóreas correspondientes a 36 familias y a 69 géneros (Cuadro 1). Las especies más estudiadas pertenecen a las familias Pinaceae (60 especies y 86 géneros) y Fagaceae (40 especies y 53 géneros). Entre las especies frecuentemente estudiadas se encuentran Pinus pinceana Gordon (2.8 %, n = 7), Pinus durangensis Martínez (2.0 %, n = 5) y Pinus sylvestris L. (2.0 %, n = 5); mientras que las menos estudiadas fueron Ostrya rehderiana Chun (0.4 %, n = 1), Oroxylum indicum (L.) Kurz (0.4 %, n = 1) y Polylepis racemosa Ruiz & Pav. (0.4 %, n = 1).

La familia Pinaceae es la más representada probablemente porque en las investigaciones realizadas se describen a los pinos como elementos de gran importancia ecológica, económica e incluso social. A menudo, los pinos son el componente dominante de la vegetación, influyendo fuertemente en los procesos funcionales del ecosistema forestal, tales como los ciclos biogeoquímicos, hidrológicos, y los regímenes de fuego; aunado a ello, son hábitat y fuente de alimento para un gran número de invertebrados y vertebrados (Aceves-Rangel et al., 2018; González-Cubas et al., 2020). Los pinos ofrecen importantes servicios ambientales (agua, oxígeno, recreación y captura de carbono) e influyen en el clima regional (Cruz-Cárdenas et al., 2016; Martínez-Méndez et al., 2016). Por otra parte, la familia Pinaceae posee gran valor económico, ya que los pinos son fuente de madera, leña, pulpa, resinas, semillas comestibles y de otros productos de interés antropogénico. Todo ello resulta en el interés creciente de comprender los patrones de distribución de esta familia, tal es el caso de P. pinceana (especie con mayor porcentaje de estudios), árbol endémico de México, reconocido como uno de los pocos recursos forestales de las zonas semiáridas por su amplia adaptabilidad y resistencia a condiciones adversas, lo que le otorga un estatus de especie con gran potencial para la restauración ecológica (Rosas-Chavoya et al., 2016).

Cuadro 1 Familias, géneros y especies arbóreas incluidos en 250 estudios de modelado de distribución publicados en el periodo 1990-2022. 

Especies estudiadas Número de publicaciones Géneros estudiados Familias estudiadas
Abies alba Mill. 2 3 3
Abies guatemalensis Rehder 1 1 1
Abies pinsapo Boiss. 2 2 2
Abies religiosa (Kunth) Schltdl. & Cham. 2 3 3
Abies vejarii Martínez 1 3 3
Acacia pycnantha Benth 1 1 1
Acer davidii Franch. 2 1 1
Acer campestre L. 1 1 1
Acer monspessulanum L. 1 1 2
Acer pseudoplatanus L. 1 1 1
Acer platanoides L. 1 1 1
Alnus glutinosa (L.) Gaertn. 1 1 1
Alnus cremastogyne Burkill 1 1 1
Aglaia bourdillonii Gamble 1 1 2
Araucaria angustifolia (Bertol.) Kuntze 1 1 1
Argania spinosa Roem. & Schult. 1 1 1
Arbutus xalapensis Kunth 1 1 1
Astronium graveolens Jacq. 4 2 2
Astronium graveolens Jacq. 4 2 2
Bursera simaruba (L.) Sarg. 1 1 1
Canacomyrica montícola Guillaumin 1 1 1
Cariniana decandra Ducke 3 2 3
Catalpa bungei C. A. Mey. 1 1 1
Carpinus tientaiensis W. C. Cheng 1 1 1
Castanopsis sieboldii (Makino) Hatus. 1 1 1
Cedrelinga cateniformis (Ducke) Ducke 2 1 3
Cedrus atlantica (Endl.) Manetti ex Carrière 1 1 1
Cedrela odorata L. 2 2 2
Cedrela montana Moritz ex Turcz. 2 2 2
Cedrela kuelapensis T. D. Penn. & Daza 1 1 1
Cedrus libani A. Rich. 1 1 1
Cedrela dugesii S. Watson 1 1 1
Cinnamomum camphora (L.) J. Presl 1 1 1
Cola lorougnonis Aké Assi 1 1 1
Cunninghamia lanceolata (Lamb.) Hook. 3 2 3
Dalbergia cultrata Benth. 1 1 1
Davidia involucrata Baill. 1 1 1
Dipteryx oleifera Benth. 1 1 1
Dialium guianense (Aubl.) Sandwith 1 1 1
Dipterocarpus turbinatus C. F. Gaertn. 2 2 2
Eusideroxylon zwageri Teijsm. & Binn. 1 1 1
Esenbeckia cornuta Engl. 1 1 1
Eremanthus erythropappus Gardner 1 1 3
Elaeagnus angustifolia L. 1 1 1
Fagus sylvaticaL. 1 2 2
Fagus grandifolia Ehrh. 1 1 1
Glyptostrobus pensilis (Staunton ex D. Don) K. Koch 1 1 1
Handroanthus impetiginosus (Mart. ex DC.) Mattos 1 1 1
Hydnocarpus kurzii (King) Warb. 1 1 1
Haloxylon ammodendron (C. A. Mey.) Bunge ex Fenzl 1 1 1
Hymenaea courbaril L. 1 1 1
Hippophae salicifolia D. Don 1 1 1
Hura crepitans L. 1 1 1
Iberian abies L. 1 1 1
Ilex aquifolium L. 2 1 2
Ilex pallida Standl. 1 1 1
Juniperus rigida Siebold & Zucc. 1 1 1
Juglans regia L. 1 1 1
Liriodendron chinense (Hemsl.) Sarg. 1 1 1
Liquidambar styraciflua L. 1 1 1
Malus pumila Mill. 1 1 1
Mangifera sylvatica Roxb. 1 1 1
Melaleuca quinquenervia (Cav.) S. T. Blake 1 1 1
Melaleuca cajuputi Powell 2 2 2
Milicia excelsa (Welw.) C. C. Berg 1 1 1
Minquartia guianensis Aubl. 1 1 1
Moringa peregrina (Forssk.) Fiori 1 1 1
Morus alba L. 1 1 1
Myristica dactyloides Gaertn. 2 1 2
Myrrhidendron donnellsmithi J. M. Coult. & Rose 1 1 1
Otoba parvifolia (Markgr.) A. H. Gentry 2 2 2
Ostrya rehderiana Chun 1 1 1
Oroxylum indicum (L.) Kurz 1 1 1
Olea ferrugínea Wall. ex Aitch. 1 1 1
Oreomunnea mexicana (Standl.) J.-F.Leroy 1 1 1
Pelliciera rhizophorae Planch. & Triana 1 1 1
Pinus arizonica Engelm. 2 2 5
Pinus cembroides Zucc. 3 2 3
Picea crassifolia Kom. 3 2 3
Picea chihuahuana Martínez 2 1 2
Pinus armandii Franch. 2 1 2
Pinus caribaea Morelet 1 1 1
Pinus culminicola Andresen & Beaman 3 1 1
Pinus chihuahuana Engelm. 3 2 4
Pinus durangensis Martínez 5 4 8
Pinus hartwegii Lindl. 4 2 4
Pinus herrerae Martínez 2 2 2
Pinus jaliscana Pérez de la Rosa 1 1 1
Pinus koraiensis Siebold & Zucc. 2 2 2
Pinus montezumae Lamb. 1 2 3
Pinus martinezii E. Larsen 1 2 1
Pinus nelsonii Shaw 3 1 1
Pinus nigra J. F. Arnold 3 3 3
Pinus pineaL. 3 1 2
Pinus pinaster Aiton 1 2 3
Pinus pinceana Gordon 7 5 4
Pinus pseudostrobus Lindl. 3 2 2
Pinus sylvestris L. 5 3 6
Pinus uncinata Ramond ex DC. 5 2 2
Pinus teocote Schied. ex Schltdl. & Cham. 2 4 6
Pinus rzedowskii Madrigal & M. Caball. 2 4 7
Pinus virginiana Mill. 2 2 2
Pinus tropicalis Morelet 2 2 2
Piper aduncum L. 1 1 1
Polylepis racemosa Ruiz & Pav. 1 1 1
Populus tremula L. 1 1 1
Prunus armeniaca L. 1 1 1
Prosopis cineraria (L.) Druce 1 1 1
Prosopis laevigata (Willd.) M. C. Johnst. 1 1 1
Prunus africana (Hook. f.) Kalkman 2 1 2
Pseudolarix amabilis (J. Nelson) Rehder 1 1 1
Pseudotsuga sp. L. 1 1 2
Pterocarpus santalinus L. f. 1 1 1
Quadrella incana (Kunth) Iltis & Cornejo 1 1 2
Quercus costaricensis Liebm. 2 1 2
Quercus coccolobifolia Trel. 1 1 1
Quercus canbyi Trel. 1 1 1
Quercus ithaburensis Decne. 1 1 1
Quercus cedrorum Kotschy 2 2 2
Quercus cerris L. 4 2 4
Quercus cornelius-mulleri Nixon & K. P. Steele 1 1 1
Quercus ilex L. 5 2 5
Quercus leucotrichophora L. 1 1 1
Quercus coccifera L. 3 3 3
Quercus laeta Liebm. 1 1 2
Quercus humilis Mill. 1 1 2
Quercus semecarpifolia Sm. 1 1 1
Quercus aegilops Scop. 2 2 2
Quercus libani G. Olivier 1 1 1
Quercus falcata Michx. 2 2 2
Quercus petraea (Matt.) Liebl. 2 2 2
Quercus suber L. 4 5 6
Rhizophora racemosa G. Mey. 1 1 1
Rhizophora mangle L. 1 1 1
Rhododendron arboreum Sm. 1 1 1
Sabina przewalskii (Kom.) W. C. Cheng & L. K. Fu 1 1 1
Sapindus L. 1 1 1
Santalum albumen (R. Br.) A. DC. 1 1 1
Sassafras tzumu (Hemsl.) Hemsl. 1 1 1
Semiliquidambar cathayensis Hung T. Chang 1 1 1
Sebastiana longicuspis Standl. 1 1 1
Schinus molle L. 1 1 1
Shorea guiso Blume 1 1 1
Sinadoxa corydalifolia C. Y. Wu, Z. L. Wu & R. F. Huang 1 1 1
Sorbus aria (L.) Crantz 1 1 1
Styrax sumatrana Pohl 1 1 1
Swietenia macrophylla King 1 1 1
Tamarindus indica L. 2 1 2
Taiwania cryptomerioides Hayata 1 1 1
Taxus baccata L. 2 2 2
Taxodium mucronatum Ten. 1 1 1
Taxus globosa Schltdl. 1 1 1
Tecoma rosaefolia Urb. 1 1 1
Tectona grandis L. f. 2 1 2
Tilia platyphyllos Scop. 2 1 2
Tilia cordata Mill. 1 1 1
Triadica sebifera (L.) Small 1 1 1
Triplochiton scleroxylon K. Schum. 1 1 1
Vaccinium consanguineum Klotzsch 1 1 1
Ximenia americana L. 1 1 1
Zelkova serrata (Thunb.) Makino 1 1 1
Zelkova schneideriana Hand. Mazz. 1 1 1

Objetivo del estudio

l objetivo principal de la mayoría de los 250 estudios fue estudiar la distribución de especies arbóreas (76 %, n = 190) y analizar MDE de familias arbóreas (20.4 %, n = 51), mientras que solo 3.6 % (n = 9) tuvo como objetivo estudiar MDE de géneros arbóreos. Es probable que la razón de que los objetos de estudio sean las especies y no las familias, se deba a que las primeras poseen características anatómicas, morfológicas y fisiológicas muy particulares que las hacen únicas. Por ejemplo, una especie puede situarse en un hábitat específico, cuyas condiciones abióticas y bióticas interactúan dinámicamente para producir la compleja entidad que presenta la distribución geográfica, ya que dichas condiciones le son favorables solo a ella, mientras que las familias congregan grupos de especies que requieren la presencia variada de condiciones bióticas y abióticas para explicar toda la distribución del conjunto a estudiar. Así, el estudio de una sola especie facilita el conocimiento necesario para modelar su distribución espacial y temporal, al contar con datos específicos sobre su fisiología, biología evolutiva, ecología y conservación (Guisan et al., 2013; Vroh et al., 2016).

Tipo de análisis (correlativo o complejo)

De las 250 publicaciones, y acorde con el Cuadro 2, 78.4 % (n = 194) de los estudios de MDE llevaron a cabo análisis correlativos de la distribución de las especies con variables ambientales como la precipitación pluvial (50.4 %, n = 126), la temperatura (49.6 %, n = 124) y la temperatura promedio anual (46 %, n = 115).

Cuadro 2 Frecuencia y porcentaje de uso de variables incluidas en modelos correlativos de 250 publicaciones de distribución de especies arbóreas en el periodo 1990-2022. 

Variables n %
Precipitación 126 50.4
Temperatura 124 49.6
Promedio de temperatura anual 115 46.0
Precipitación del trimestre más lluvioso 113 45.2
Precipitación del periodo más seco 107 42.8
Temperatura media 105 42.0
Temperatura media trimestre 103 41.2
Precipitación del periodo más lluvioso 101 40.4
Precipitación del trimestre más seco 98 39.2
Temperatura mínima del mes más frío 97 38.8
Estacionalidad de temperatura 92 36.8
Precipitación del trimestre más cálido 89 35.6
Precipitación del trimestre más frío 89 35.6
Temperatura mínima del mes más cálido 86 34.4
Temperatura mínima 86 34.4
Temperatura máxima 80 32.0
Temperatura media del trimestre invernal 79 31.6
Precipitación mensual 78 31.2
Temperatura promedio del trimestre más lluvioso 75 30.0
Temperatura media del mes más frío 74 29.6
Rango de temperatura anual 73 29.2
Precipitación anual 72 28.8
Altitud 70 28.0
Precipitación pluvial de la temporada seca del año 67 26.8
Precipitación pluvial de la temporada lluviosa del año 65 26.0
Temperatura máxima del mes más cálido 65 26.0
Rango de temperaturas diarias 60 24.0
Temperatura promedio del trimestre más seco 59 23.6
Estacionalidad de la precipitación 58 23.2
Temperatura promedio del trimestre más cálido 58 23.2
Temperatura promedio del trimestre más frío 54 21.6
Elevación 36 14.4
Rango medio diurno 33 13.2
Topografía terrestre 19 7.6
Intervalo promedio de temperaturas diurnas 19 7.6
Fisiografía 17 6.8
Pendiente 16 6.4
Isotermalidad 14 5.6
Latitud 11 4.4
Humedad 11 4.4
Aspecto y topografía compuesta 7 2.8
Litología 6 2.4
Oscilación térmica 5 2.0
Irradiación global inclinada 5 2.0
Oscilación anual de temperatura 4 1.6
Irradiación horizontal difusa 4 1.6
Densidad de carretera 3 1.2
Exposición 3 1.2
Heladas seguras 3 1.2
Evapotranspiración real anual 3 1.2
Índices ombrotérmicos anuales de Emberger 3 1.2
Índice de aridez 3 1.2
Irradiación normal directa 3 1.2
Índice topográfico de humedad 3 1.2
Geomorfología 2 0.8
Irradiación horizontal global 2 0.8
Consolidación de la roca 1 0.4
Acidez de la roca 1 0.4

Por otra parte, solo 21.6 % (n = 54) de los estudios realizaron análisis complejos, utilizando el efecto de distintas variables sobre la distribución de las especies arbóreas. De acuerdo con el Cuadro 3, los estudios complejos generalmente utilizaron variables edafológicas (45.6 %, n = 114), de idoneidad de hábitat (20 %, n = 50) y de estructura de la vegetación (15.6 %, n = 39).

Cuadro 3 Frecuencia y porcentaje de uso de variables incluidas en modelos complejos de 250 publicaciones de distribución de especies arbóreas en el periodo 1990-2022. 

Variables n %
Edafología 114 45.6
Idoneidad de hábitat 50 20.0
Estructura de la vegetación 39 15.6
Genética 12 4.8
Radiación solar 9 3.6
Perturbación 6 2.4
Cobertura terrestre forestal 5 2.0

Los análisis complejos destacan porque son pocos los estudios que poseen datos robustos sobre los factores bióticos y abióticos que determinada especie necesita para un proceso fisiológico idóneo, por lo que juegan un papel muy importante sobre la distribución de las especies arbóreas; no obstante, la mayoría de los estudios hacen análisis correlativos entre pocas variables bioclimáticas y el registro de las especies (Soilhi et al., 2022; Ye et al., 2022). La mayoría de las investigaciones solo disponen de datos de presencia del organismo, unos pocos cuentan además con datos de ausencia y, finalmente, hay ocasiones en las que se tienen datos de abundancia. Generalmente, los datos provienen de muestreos no dirigidos y de observaciones que consisten en aprovechar al máximo las circunstancias para obtener el mayor beneficio posible (Becerra López et al., 2016). Son raros los casos donde existen muestreos diseñados expresamente para estimar la distribución de un organismo (Maciel-Mata et al., 2015). Es por ello que 78.4 % de las investigaciones son estudios de correlación simple entre el registro de distribución y las variables ambientales, entre estas se encuentran: (1) variables climáticas, generadas normalmente a partir de la interpolación de datos de estaciones climatológicas, utilizando la elevación como covariable (Soilhi et al., 2022; Ye et al., 2022); (2) información sobre litología y geología, que representan la dependencia de la vegetación con el tipo de sustrato; (3) elevación y variables derivadas, tales como topografía de pendiente, curvatura o rugosidad y microclimáticas; (4) variables obtenidas mediante teledetección, como índices de vegetación, temperatura en superficie o clasificaciones de la cubierta del suelo, que han sido poco empleadas aunque tienen potencial importante (Chen et al., 2022). No obstante, 21.6 % de las publicaciones poseen información suficiente para hacer análisis complejos (variables fisiológicas, climáticas, edafológicas, radiación solar, genética de la especie, perturbación del área y variables de idoneidad de hábitat de las especies estudiadas) (Axer et al., 2021; Manzanilla-Quijada et al., 2020; Ramírez-Magil et al., 2020), incluso, cuentan con datos suficientes de abundancia de las especies que permiten su inclusión en el modelo (Bañuelos-Revilla et al., 2019).

Tipo de variables

En los 250 estudios se registró el uso de 65 variables, las cuales se enlistan en los Cuadros 2 y 3. Las variables de mayor frecuencia fueron la precipitación pluvial (50.4 %, n = 126), temperatura (49.6 %, n = 124) y temperatura promedio anual (46 %, n = 115); mientras que las menos usadas fueron la geomorfología del área de estudio (0.8 %, n = 2), la consolidación de la roca (0.4 %, n = 1) y la acidez de la roca (0.4 %, n = 1). Otros estudios han demostrado que la distribución geográfica potencial de las especies puede inferirse, sobre todo, a partir de la precipitación, temperatura anual y humedad relativa (Soilhi et al., 2022; Zhao et al., 2020a). Bañuelos-Revilla et al. (2019) y Díaz et al. (2012) afirman que estos factores climáticos tienen efecto directo e indirecto sobre la distribución de las especies forestales (Bañuelos-Revilla et al., 2019) en escalas espaciales amplias (kilómetros). Por ejemplo, Díaz et al. (2012) mencionan que, en el Parque Nacional Big Bend, al sur de Texas, EUA, la distribución y abundancia de las especies forestales están directamente relacionadas con la temperatura ambiental y con la humedad del suelo e indirectamente con la exposición a la radiación solar. Por su parte, en el noreste de México, González-Cubas et al. (2020) encontraron que el rango anual de temperatura y la precipitación del mes más seco son las variables ambientales más importantes para determinar la distribución potencial de Abies vejarii Martínez (Pinaceae). Finalmente, Gutiérrez y Trejo (2014) afirman que las modificaciones de precipitación y temperatura reducen el área de distribución de cinco especies arbóreas de bosque templado en México, lo que supondría una disminución considerable en sus poblaciones e incluso se predice que ocurrirán algunas extinciones locales.

Lira-Noriega et al. (2013) analizaron cómo los factores de temperatura y precipitación explican el área de distribución de la planta parásita Phoradendron californicum Nutt. en los desiertos de Sonora y Mojave y recomiendan la integración de factores ambientales y biológicos en los rangos geográficos, para la comprensión de los patrones y procesos de distribución. De acuerdo con los autores, el estudio de las variables ambientales (temperatura y precipitación), topográficas y antropogénicas es de vital importancia en la distribución de especies, ya que permite entender las implicaciones en el desarrollo espacio-temporal de sus poblaciones a escala local, jugando un papel muy importante para la fisiología reproductiva, desde la formación de flores hasta la germinación de semillas.

Tipo de modelo/algoritmo

En los 250 estudios se registraron 13 técnicas para la realización de modelos/algoritmos de MDE arbóreas, los cuales se indican en el Cuadro 5. Los de mayor uso fueron el algoritmo de MaxEnt (72.8 %, n = 182), el modelo de Random Forests (8 %, n = 16) y Genetic Algorithm for Rule-Set Prediction o GARP (4.8 %, n = 12); en cambio, los menos utilizados fueron el modelo inglés UKMOHADGEM1 (0.4 %, n = 1), la evaluación espacial multicriterio de ILWIS V. 3.3 (0.4 %, n = 1) y el análisis de conglomerados (0.4 %, n = 1).

El algoritmo de MaxEnt (Phillips et al., 2006) es el modelado de nicho ecológico más empleado con múltiples propósitos en biogeografía, biología de la conservación y en ecología, probablemente porque este algoritmo simula las distribuciones geográficas potenciales de especies a través del aprendizaje automático y el principio de máxima entropía, logrando buenos resultados incluso cuando los datos sobre la distribución de una especie son escasos (Radosavljevic & Anderson 2014; Ramírez-Magil et al., 2020; Singh et al., 2020). Los resultados de este modelo pueden proporcionar información sobre cómo las especies están limitadas por las condiciones ambientales, el impacto de los cambios ambientales en su distribución y la determinación de áreas potenciales para la reintroducción de especies (Rong et al., 2019; Zhao et al., 2020, 2020a, 2021). Además, este algoritmo ha sido utilizado ampliamente para la resolución de problemas que involucran especies en peligro de extinción en un sentido estricto, especies invasoras, hábitat adecuado para especies raras y destrucción de bosques (Deb et al., 2020; Zhu et al., 2020).

Cuadro 5 Frecuencia y porcentaje de uso de modelo/algoritmos en las técnicas de modelación de la distribución geográfica para especies arbóreas en 250 publicaciones en el periodo 1990-2022. 

Tipo de modelo n %
MaxEnt 3.3.3k 182 72.8
Random Forests 20 8.0
Genetic Algorithm for Rule-Set Prediction (GARP) 12 4.8
Regresión Ordinaria (MCO) 8 3.2
Modelos Lineales Generales (GLM) 7 2.8
Modelo de Regresión Logística 6 2.4
Modelo alemán (MPIECHAM5) 3 1.2
General Additive Models (GAM) 3 1.2
Modelos de Impulso Generalizados (GBM) 3 1.2
Técnica de Kringing Universal 2 0.8
Modelo inglés (UKMOHADGEM1) 2 0.8
Evaluación Espacial Multicrtiterio de ILWIS V.3.3 1 0.4
Análisis de conglomerados 1 0.4

Conclusiones

Esta revisión brinda una perspectiva sobre las tendencias globales en los estudios de modelos de distribución de especies durante el periodo 1999-2022, los cuales generalmente se realizan en países con gran diversidad de especies vasculares como China y México, siendo España un caso particular que no cumple esta regla. Las especies más estudiadas pertenecen a las familias Pinaceae y Fagaceae. MaxEnt es el algoritmo de mayor uso en los modelos, por su fácil aplicación y rapidez para la obtención de resultados, en los cuales la precipitación pluvial y la temperatura ambiental son las variables más utilizadas. A pesar de las limitaciones, los estudios demuestran la utilidad del modelo de distribución de especies arbóreas, por tanto, debe considerarse una herramienta necesaria para la previsión de los impactos potenciales del cambio climático en la distribución de las especies. Cabe resaltar que el rendimiento del modelado dependerá de la técnica empleada, así como de su interpretación, la cual debe hacerse en función de la especie y su hábitat.

Agradecimientos

Agradecemos al Consejo Nacional de Ciencia y Tecnología (CONACYT) por la beca otorgada a D. M. Pozo-Gómez (CVU: 777549), para sus estudios del Doctorado en Ciencias en Biodiversidad y Conservación de Ecosistemas Tropicales, así como a los revisores que contribuyeron a mejorar la calidad del manuscrito.

REFERENCIAS

Aceves-Rangel, L. D. , Méndez-González, J. , García-Aranda, M. A. , Nájera-Luna, J. A. (2018). Distribución potencial de 20 especies de pinos en México. Agrociencia, 52 (7), 1043‒57. https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-31952018000701043Links ]

Ávila-Sánchez, A. , Sánchez-González, C. , Catalán-Heverástico, R. C. , Almazán-Núñez, F. y Jiménez-Hernández, J. (2018). Patrones de riqueza y diversidad de especies vegetales en un gradiente altitudinal en Guerrero, México. Polibotánica, 45, 101‒13. 10.18387/polibotanica.45.8 [ Links ]

Axer, M. , Schlicht, R. , Kronenberg, R. y Wagner, S. (2021). The potential for future shifts in tree species distribution provided by dispersal and ecological niches: A comparison between beech and oak in Europe. Sustainability, 13 (23), 13067. 10.3390/su132313067 [ Links ]

Bañuelos-Revilla, J. E. , Palacio-Núñez, J. , Martínez-Montoya, J. F. , Olmos-Oropeza, G. y Flores-Cano, J. A. (2019). Distribución potencial y abundancia de candelilla (Euphorbia antisyphilitica) en el norte de Zacatecas, México. Madera y Bosques, 25 (1). 10.21829/myb.2019.2511657 [ Links ]

Barrantes-Leiva, R. M. y Cerdas-Salas, A. (2015). Distribución espacial de las especies de mangle y su asociación con los tipos de sedimentos del sustrato, en el sector estuarino del Humedal Nacional Térraba-Sierpe, Costa Rica. Revista de Biología Tropical, 63 (S1), 47‒60. 10.15517/rbt.v63i1.23094 [ Links ]

Başkent, E. Z. (2021). Assessment and valuation of key ecosystem services provided by two forest ecosystems in Turkey. Journal of Environmental Management, 285, 112135. 10.1016/j.jenvman.2021.112135 [ Links ]

Becerra-López, J., Romero-Méndez, U., Ramírez-Bautista, A., de Jesús, F. y Becerra-López, S. (2016). Revisión de las técnicas para el modelado de la distribución de las especies. Revista Biológico Agropecuaria de Tuxpan, 5 (1), 1514‒1525. 10.47808/revistabioagro.v4i1.47 [ Links ]

Borthakur, S., Baruah, P. S., Deka, K., Das, S., Sarma, B., Adhikari, D. y Tanti, B. (2018). Habitat distribution modelling for improving conservation status of Brucea mollis Wall. ex Kurz. an endangered potential medicinal plant of Northeast India. Journal for Nature Conservation, 43, 104‒110. 10.1016/j.jnc.2018.02.010 [ Links ]

Chaves-Barrantes, N. F. y Gutiérrez-Soto, M. V. (2017). Respuestas al estrés por calor en los cultivos. II. Tolerancia y tratamiento agronómico. Agronomía Mesoamericana, 28 (1), 255‒271. 10.15517/am.v28i1.21904 [ Links ]

Chen, Y., Li, Y. y Mao, L. (2022). Combining the effects of global warming, land use change and dispersal limitations to predict the future distributions of East Asian Cerris Oaks (Quercus Section Cerris, Fagaceae) in China. Forests, 13 (3), 367. 10.3390/f13030367 [ Links ]

Comisión Nacional para el Conocimiento y Uso de la Biodiversidad (CONABIO) (2022). Colección de pinos del noreste de México. http://www.conabio.gob.mx/remib/cgi-bin/remib_checklist.cgi?nombres=46;lengua=es-MXLinks ]

Cruz-Cárdenas, G., López-Mata, L., Silva, J. T., Bernal-Santana, N., Estrada-Godoy, F. y López-Sandoval, J. A. (2016). Modelado de la distribución potencial de especies de Pinaceae bajo escenarios de cambio climático en Michoacán. Revista Chapingo Serie Ciencias Forestales y del Ambiente, 22 (2), 135‒48. 10.5154/r.rchscfa.2015.06.027 [ Links ]

Deb, J. C., Forbes, G. y Maclean, D. A. (2020). Modelling the spatial distribution of selected North American woodland mammals under future climate scenarios. Mammal Review, 50 (4), 440‒452. 10.1111/mam.12210 [ Links ]

Díaz, V., Sosa-Ramírez, J. y Pérez-Salicrup, D. R. (2012). Distribución y abundancia de las especies arbóreas y arbustivas en la Sierra Fría, Aguascalientes, México. Polibotánica, 34, 99‒126. http://www.scielo.org.mx/scielo.php?pid=S140527682012000200004&script=sci_abstractLinks ]

García-Valdés, R. y Morales-Castilla, I. (2016). Efectos del cambio climático en los ecosistemas forestales: Integrando inventarios y modelos. Ecosistemas, 25 (3), 51‒59. 10.7818/ECOS.1227 [ Links ]

Gómez-Tolosa, M., Rivera-Velázquez, G., Rioja-Paradela, T. M., Mendoza-Cuenca, L. F., Tejeda-Cruz, C. y López, S. (2021). The use of Odonata species for environmental assessment: A meta-analysis for the Neotropical region. Environmental Science and Pollution Research, 28 (2), 1381‒1396. 10.1007/s11356-020-11137-9 [ Links ]

González-Cubas, R., Treviño-Garza, E. J., Aguirre-Calderón, O. A. y Foroughbakhch-Pournavab, R. (2020). Distribución potencial de Abies vejarii (Pinaceae) y su relación con factores ambientales, topográficos y antropogénicos en el noreste de México. Acta Botánica Mexicana, 127. 10.21829/abm127.2020.1607 [ Links ]

Guisan, A., Tingley, R., Baumgartner, J. B., Naujokaitis-Lewis, I., Sutcliffe, P. R., Tulloch, A. I. T., Regan, T. J., Brotons, L., McDonald-Madden, E., Mantyka-Pringle, C., Martin, T. G., Rhodes, J. R., Maggini, R., Setterfield, S. A., Elith, J., Schwartz, M. W., Wintle, B. A., Broennimann, O., Austin, M., Ferrier, S., Kearney, M. R., Possingham, H. P. y Buckley, Y. M. (2013). Predicting species distributions for conservation decisions. Ecology Letters, 16 (12), 1424‒1435. 10.1111/ele.12189 [ Links ]

Gutiérrez, E. y Trejo, I. (2014). Efecto del cambio climático en la distribución potencial de cinco especies arbóreas de bosque templado en México. Revista Mexicana de Biodiversidad, 85 (1), 179‒188. 10.7550/rmb.37737 [ Links ]

Leal-Nares, Ó., Mendoza, M. E., Pérez-Salicrup, D., Geneletti, D., López-Granados, E. y Carranza, E. (2012). Distribución potencial del Pinus martinezii: Un modelo espacial basado en conocimiento ecológico y análisis multicriterio. Revista Mexicana de Biodiversidad, 83 (4). 10.7550/rmb.27199 [ Links ]

Li, G. Q., Du, S. y Wen, Z. M. (2016). Mapping the climatic suitable habitat of oriental arborvitae (Platycladus orientalis) for introduction and cultivation at a global scale. Scientific Reports, 6, 30009. 10.1038/srep30009 [ Links ]

Lira-Noriega, A., Soberón, J. y Miller, C. P. (2013). Process-based and correlative modeling of desert mistletoe distribution: A multiscalar approach. Ecosphere, 4 (8), 1‒23. 10.1890/ES13-00155.1 [ Links ]

López-Sandoval, J. A., López-Mata, L., Cruz-Cárdenas, G., Vibrans, H., Vargas, O. y Martínez, M. (2015). Modelado de los factores ambientales que determinan la distribución de especies sinantrópicas de Physalis. Botanical Sciences, 93 (4), 755‒764. 10.17129/botsci.192 [ Links ]

Maciel-Mata, C. A., Manríquez-Morán, N., Octavio-Aguilar, P. y Sánchez-Rojas, G. (2015). El área de distribución de las especies: Revisión del concepto. Acta Universitaria, 25 (2), 03‒19. 10.15174/au.2015.690 [ Links ]

Manzanilla-Quijada, G. E., León, F. D., Treviño-Garza, E. J., Aguirre-Calderón, O. A., Yerena-Yamallel, J. I. y Manzanilla-Quiñones, U. (2020). Current and future potential distribution and identification of suitable areas for the conservation of Cedrela odorata L. in the Yucatan Peninsula. Revista Chapingo Serie Ciencias Forestales y del Ambiente, 26 (3), 391‒408. 10.5154/r.rchscfa.2019.10.075 [ Links ]

Marchese, C. (2015). Biodiversity hotspots: A shortcut for a more complicated concept. Global Ecology and Conservation, 3, 297‒309. 10.1016/j.gecco.2014.12.008 [ Links ]

Martínez-Méndez, N., Aguirre-Planter, E., Eguiarte, L. E. y Jaramillo-Correa, J. P. (2016). Modelado de nicho ecológico de las especies del género Abies (Pinaceae) en México: Algunas implicaciones taxonómicas y para la conservación. Botanical Sciences, 94 (1), 5‒24. 10.17129/botsci.508 [ Links ]

Martínez-Meyer, E., Sosa-Escalante, J. E. y Álvarez, A. (2014). El estudio de la biodiversidad en México: ¿una ruta con dirección?. Revista Mexicana de Biodiversidad, 85, S1-S9. 10.7550/rmb.43248 [ Links ]

Mokany, K., Ferrier, S., Harwood, T. D., Ware, C., Marco, M. D., Grantham, H. S., Venter, O., Hoskins, A. J., Watson, J. E. M. (2020). Reconciling global priorities for conserving biodiversity habitat. Proceedings of the National Academy of Sciences, 117 (18), 9906-9911. 10.1073/pnas.1918373117 [ Links ]

Ocampo‐González, P., López‐Wilchis, R., Espinoza‐Medinilla, E. E. y Rioja‐Paradela, T. M. (2020). A review of the breeding biology of Chiroptera. Mammal Review, 51 (3), 338‒352. 10.1111/mam.12236 [ Links ]

Palma-Ordaz, S. y Delgadillo-Rodríguez, J. (2014). Distribución potencial de ocho especies exóticas de carácter invasor en el estado de Baja California, México. Botanical Sciences, 92 (4), 587‒597. 10.17129/botsci.135 [ Links ]

Phillips, S. J., Anderson, R. P. y Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190, 231‒259. 10.1016/j.ecolmodel.2005.03.026 [ Links ]

Quipuscoa Silvestre, V., Dillon, M. O., Treviño Zevallos, I., Balvin Aguilar, M., Mejía Rios, A., Ramos Aranibar, D., Durand Vera, K. y Montesinos Tubée, D. (2019). Impacto de los cambios climáticos y uso de suelo, en la distribución de las especies de géneros endémicos de Asteraceae de Arequipa. Arnaldoa, 26 (1), 71‒96. http://www.scielo.org.pe/pdf/arnal/v26n1/a05v26n1.pdfLinks ]

Radosavljevic, A. y Anderson, R. P. (2014). Making better Maxent models of species distributions: complexity, overfitting and evaluation. Journal of Biogeography, 41, 629‒643. 10.1111/jbi.12227 [ Links ]

Ramírez-Magil, G., Botello, F., Navarro-Martínez, A., Ramírez-Magil, G., Botello, F. y Navarro-Martínez, A. (2020). Idoneidad de hábitat para Swietenia macrophylla en escenarios de cambio climático en México. Madera y Bosques, 26 (3), 10.21829/myb.2020.2631954 [ Links ]

Rong, Z., Chuanyan, Z., Junjie, L., Yunfei, G., Fei, Z., Guo, Z., Yahua, M. y Ling, W. (2019). Modeling the effect of climate change on the potential distribution of Qinghai spruce (Picea crassifolia Kom.) in Qilian Mountains. Forests, 10, 62. 10.3390/f10010062 [ Links ]

Rosas-Chavoya, M., Granados-Sánchez, D., Granados-Victorino, R. L. y Esparza-Govea, S. (2016). Clasificación y ordenación de bosques de pino piñonero del estado de Querétaro. Revista Mexicana de Ciencias Forestales, 7 (33), 52‒73. 10.29298/rmcf.v7i33.90 [ Links ]

Saupe, E. E., Barve, V., Myers, C. E., Soberón, J., Barve, N., Hensz, C. M., Peterson, A. T., Owens, H. L. y Lira-Noriega, A. (2012). Variation in niche and distribution model performance: The need for a priori assessment of key causal factors. Ecological Modelling, 237‒238, 11‒22. 10.1016/j.ecolmodel.2012.04.001 [ Links ]

Singh, P. B., Mainali, K., Jiang, Z., Thapa, A., Subedi, N., Awan, M. N., Ilyas, O., Luitel, H., Zhou, Z., Hu, H. (2020). Projected distribution and climate refugia of endangered Kashmir musk deer Moschus cupreus in greater Himalaya, South Asia. Scientific Reports, 10, 1511. 10.1038/s41598-020-58111-6 [ Links ]

Soilhi, Z., Sayari, N., Benalouache, N. y Mekki, M. (2022). Predicting current and future distributions of Mentha pulegium L. in Tunisia under climate change conditions, using the MaxEnt model. Ecological Informatics, 68, 101533. 10.1016/j.ecoinf.2021.101533 [ Links ]

System of Environmental Economic Accounting (SEEA) (2022, July). Ecosystem accounting. https://seea.un.org/ecosystem-accountingLinks ]

Villaseñor, J. L. (2018). Diversidad y distribución de la familia Asteraceae en México. Botanical Sciences, 96 (2), 332‒358. 10.17129/botsci.1872 [ Links ]

Vroh, B. T. A., Adou-Yao, C. Y., Kpangui, K. B., Gone Bi, Z. B., Kouame, D., Koffi, K. J. y Guessan, K. E. N. (2016). Comparing suitable habitat models to predict rare and endemic plant species distributions: What are the limits of the niche of Cola lorougnonis (Malvaceae) in Cote d’Ivoire?. Environment and Natural Resources Research, 6 (3), 1. 10.5539/enrr.v6n3p1 [ Links ]

Ye, X., Zhang, M., Yang, Q., Ye, L., Liu, Y., Zhang, G., Chen, S., Lai, W., Wen, G., Zheng, S., Ruan, S., Zhang, T. y Liu, B. (2022). Prediction of suitable distribution of a critically endangered plant Glyptostrobus pensilis. Forests, 13 (2), 257. 10.3390/f13020257 [ Links ]

Zhao, H., Zhang, H. y Xu, C. (2020). Study on Taiwania cryptomerioides under climate change: MaxEnt modeling for predicting the potential geographical distribution. Global Ecology and Conservation, 24, e01313. 10.1016/j.gecco.2020.e01313 [ Links ]

Zhao, R., Chu, X., He, Q., Tang, Y., Song, M. y Zhu, Z. (2020a). Modeling current and future potential geographical distribution of Carpinus tientaiensis, a critically endangered species from China. Forests, 11 (7), 774. 10.3390/f11070774 [ Links ]

Zhao, Y., Xiangwen, D., Wenhua, X., Liang, C. y Shuai, O. (2021). Predicting potential suitable habitats of chinese fir under current and future climatic scenarios based on Maxent model. Ecological Informatics, 64, 101393. 10.1016/j.ecoinf.2021.101393 [ Links ]

Zhu, B., Wang, B., Zou, B., Xu, Y. y Ran, J. (2020). Assessment of habitat suitability of a high-mountain galliform species, buff-throated partridge (Tetraophasis szechenyii). Global Ecology and Conservation, 24, e01230. 10.1016/j.gecco.2020.e01230 [ Links ]

Recibido: 19 de Octubre de 2022; Aprobado: 30 de Octubre de 2023

Creative Commons License This is an open-access article distributed under the terms of the Creative Commons Attribution License